42 KiB
🌐 बहुभाषिक समर्थन
GitHub Action द्वारे समर्थित (स्वयंचलित आणि नेहमी अद्ययावत)
Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese
आमच्या समुदायात सामील व्हा
आमच्याकडे Discord वर AI सह शिकण्याची मालिका चालू आहे, अधिक जाणून घेण्यासाठी आणि 18 - 30 सप्टेंबर, 2025 रोजी Learn with AI Series येथे सामील व्हा. तुम्हाला GitHub Copilot चा डेटा सायन्ससाठी वापर करण्याचे टिप्स आणि ट्रिक्स मिळतील.
मशीन लर्निंग फॉर बिगिनर्स - एक अभ्यासक्रम
🌍 जगभर फिरा आणि जगातील संस्कृतींच्या माध्यमातून मशीन लर्निंगचा अभ्यास करा 🌍
Microsoft मधील Cloud Advocates आपल्याला 12 आठवड्यांचा, 26 धड्यांचा अभ्यासक्रम सादर करत आहेत जो पूर्णपणे मशीन लर्निंग विषयी आहे. या अभ्यासक्रमात, तुम्ही जे काही कधीकधी क्लासिक मशीन लर्निंग म्हणून ओळखले जाते ते शिकाल, मुख्यतः Scikit-learn या लायब्ररीचा वापर करून आणि डीप लर्निंग टाळून, ज्याचा समावेश आमच्या AI for Beginners' curriculum मध्ये आहे. या धड्यांना आमच्या 'Data Science for Beginners' curriculum सोबत जोडा.
जगभर फिरा आणि या क्लासिक तंत्रांचा वापर जगातील विविध भागांतील डेटावर करा. प्रत्येक धड्यात पूर्व- आणि पश्चात-धडा क्विझ, लेखी सूचना, एक समाधान, एक असाइनमेंट आणि बरेच काही समाविष्ट आहे. आमची प्रोजेक्ट-आधारित शिकवणी तुम्हाला शिकत असताना तयार करण्याची संधी देते, जी नवीन कौशल्ये टिकवण्यासाठी सिद्ध पद्धत आहे.
✍️ आमच्या लेखकांचे मनापासून आभार Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu आणि Amy Boyd
🎨 आमच्या चित्रकारांचे देखील आभार Tomomi Imura, Dasani Madipalli, आणि Jen Looper
🙏 खास आभार 🙏 आमच्या Microsoft Student Ambassador लेखक, पुनरावलोकक आणि सामग्री योगदानकर्त्यांना, विशेषतः Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, आणि Snigdha Agarwal
🤩 Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, आणि Vidushi Gupta यांना आमच्या R धड्यांसाठी अतिरिक्त आभार!
सुरुवात कशी करावी
हे पावले अनुसरा:
- रिपॉझिटरी फोर्क करा: या पानाच्या वरच्या उजव्या कोपऱ्यातील "Fork" बटणावर क्लिक करा.
- रिपॉझिटरी क्लोन करा:
git clone https://github.com/microsoft/ML-For-Beginners.git
या कोर्ससाठी सर्व अतिरिक्त संसाधने आमच्या Microsoft Learn संग्रहात शोधा
🔧 मदतीची गरज आहे का? इंस्टॉलेशन, सेटअप आणि धडे चालवण्याच्या सामान्य समस्यांसाठी आमचा Troubleshooting Guide तपासा.
विद्यार्थी, हा अभ्यासक्रम वापरण्यासाठी, संपूर्ण रिपॉझिटरी तुमच्या स्वतःच्या GitHub खात्यावर फोर्क करा आणि व्यायाम स्वतः किंवा गटासह पूर्ण करा:
- पूर्व-व्याख्यान क्विझ पासून सुरू करा.
- व्याख्यान वाचा आणि क्रियाकलाप पूर्ण करा, प्रत्येक ज्ञान तपासणीवर थांबा आणि विचार करा.
- धडे समजून घेऊन प्रकल्प तयार करण्याचा प्रयत्न करा, फक्त समाधान कोड चालवण्याऐवजी; तरीही तो कोड प्रत्येक प्रकल्प-आधारित धड्याच्या
/solutionफोल्डरमध्ये उपलब्ध आहे. - पश्चात-व्याख्यान क्विझ घ्या.
- आव्हान पूर्ण करा.
- असाइनमेंट पूर्ण करा.
- धडा गट पूर्ण केल्यानंतर, Discussion Board ला भेट द्या आणि योग्य PAT रूब्रिक भरून "उच्चारून शिका". 'PAT' म्हणजे प्रगती मूल्यांकन साधन जे तुम्ही भरता जेणेकरून तुमचे शिक्षण पुढे जाईल. तुम्ही इतर PATs ला प्रतिक्रिया देखील देऊ शकता जेणेकरून आपण एकत्र शिकू शकू.
पुढील अभ्यासासाठी, आम्ही या Microsoft Learn मॉड्यूल्स आणि शिक्षण मार्गांचे अनुसरण करण्याची शिफारस करतो.
शिक्षक, आम्ही या अभ्यासक्रमाचा वापर कसा करावा याबाबत काही सूचना दिल्या आहेत.
व्हिडिओ मार्गदर्शक
काही धडे लहान स्वरूपातील व्हिडिओ म्हणून उपलब्ध आहेत. तुम्ही हे सर्व धड्यांमध्ये इन-लाइन किंवा Microsoft Developer YouTube चॅनेलवरील ML for Beginners प्लेलिस्ट वर खालील प्रतिमेवर क्लिक करून पाहू शकता.
टीमला भेटा
Gif तयार केलेले Mohit Jaisal
🎥 प्रकल्प आणि त्याचे निर्माते याबद्दल व्हिडिओसाठी वरील प्रतिमेवर क्लिक करा!
शिकवणी पद्धत
आम्ही या अभ्यासक्रमाच्या निर्मितीमध्ये दोन शिकवणी तत्त्वे निवडली आहेत: हे हाताळणीसाठी प्रोजेक्ट-आधारित असणे आणि त्यात वारंवार क्विझ असणे. याशिवाय, या अभ्यासक्रमाला एक सामान्य थीम दिली आहे ज्यामुळे त्याला एकसंधता मिळते.
सामग्री प्रकल्पांशी जुळवून दिल्यामुळे, विद्यार्थ्यांसाठी प्रक्रिया अधिक आकर्षक होते आणि संकल्पनांची जपणूक वाढते. याशिवाय, वर्गापूर्वीचा कमी-दाबाचा क्विझ विद्यार्थ्यांच्या शिकण्याच्या हेतूची तयारी करतो, तर वर्गानंतरचा दुसरा क्विझ अधिक जपणूक सुनिश्चित करतो. हा अभ्यासक्रम लवचिक आणि मजेदार असावा यासाठी डिझाइन केला गेला आहे आणि तो पूर्ण किंवा भागांमध्ये घेतला जाऊ शकतो. प्रकल्प लहानपासून सुरू होतात आणि 12 आठवड्यांच्या चक्राच्या शेवटी अधिक क्लिष्ट होतात. या अभ्यासक्रमात ML च्या वास्तविक जगातील अनुप्रयोगांवर एक पोस्टस्क्रिप्ट देखील आहे, ज्याचा वापर अतिरिक्त क्रेडिटसाठी किंवा चर्चेसाठी केला जाऊ शकतो.
आमचे Code of Conduct, Contributing, Translation, आणि Troubleshooting मार्गदर्शक शोधा. तुमचे रचनात्मक अभिप्राय आम्ही स्वागत करतो!
प्रत्येक धड्यात समाविष्ट आहे
- ऐच्छिक स्केचनोट
- ऐच्छिक पूरक व्हिडिओ
- व्हिडिओ मार्गदर्शक (काही धड्यांसाठी)
- पूर्व-व्याख्यान वॉर्मअप क्विझ
- लेखी धडा
- प्रोजेक्ट-आधारित धड्यांसाठी, प्रकल्प कसा तयार करायचा यावर टप्प्याटप्प्याने मार्गदर्शक
- ज्ञान तपासण्या
- एक आव्हान
- पूरक वाचन
- असाइनमेंट
- पश्चात-व्याख्यान क्विझ
भाषांबद्दल एक टीप: हे धडे मुख्यतः Python मध्ये लिहिलेले आहेत, पण अनेक R मध्ये देखील उपलब्ध आहेत. R धडा पूर्ण करण्यासाठी,
/solutionफोल्डरमध्ये जा आणि R धडे शोधा. त्यात .rmd विस्तार असतो जो R Markdown फाइल दर्शवितो, ज्याचा अर्थcode chunks(R किंवा इतर भाषांचे) आणिYAML header(PDF सारख्या आउटपुट स्वरूपासाठी मार्गदर्शन करणारा) यांचे Markdown दस्तऐवजामध्ये एम्बेडिंग होय. त्यामुळे, हा डेटा सायन्ससाठी एक आदर्श लेखक फ्रेमवर्क आहे कारण तो तुमचा कोड, त्याचा आउटपुट आणि तुमचे विचार Markdown मध्ये लिहिण्याची परवानगी देतो. शिवाय, R Markdown दस्तऐवज PDF, HTML किंवा Word सारख्या आउटपुट स्वरूपात रूपांतरित केले जाऊ शकतात.
क्विझबद्दल एक टीप: सर्व क्विझ Quiz App फोल्डर मध्ये आहेत, एकूण 52 क्विझ ज्यात प्रत्येकी तीन प्रश्न आहेत. ते धड्यांमधून लिंक केलेले आहेत पण क्विझ अॅप स्थानिकरित्या चालवता येतो; स्थानिक होस्टिंग किंवा Azure वर तैनात करण्यासाठी
quiz-appफोल्डरमधील सूचना पाळा.
| धडा क्रमांक | विषय | धडा गट | शिकण्याचे उद्दिष्टे | लिंक केलेला धडा | लेखक |
|---|---|---|---|---|---|
| 01 | मशीन लर्निंगची ओळख | Introduction | मशीन लर्निंगच्या मूलभूत संकल्पना शिका | Lesson | मुहम्मद |
| 02 | मशीन लर्निंगचा इतिहास | Introduction | या क्षेत्राच्या इतिहासाबद्दल शिका | Lesson | जेन आणि एमी |
| 03 | न्याय्यतेचा आणि मशीन लर्निंगचा विचार | Introduction | मशीन लर्निंग मॉडेल तयार करताना आणि लागू करताना विद्यार्थ्यांनी न्याय्यतेसंबंधी कोणत्या महत्त्वाच्या तात्त्विक मुद्द्यांचा विचार करावा? | Lesson | टोमॉमी |
| 04 | मशीन लर्निंगसाठी तंत्रे | Introduction | मशीन लर्निंग संशोधक कोणती तंत्रे वापरतात? | Lesson | क्रिस आणि जेन |
| 05 | रिग्रेशनची ओळख | Regression | रिग्रेशन मॉडेलसाठी Python आणि Scikit-learn वापरून सुरुवात करा | Python • R | जेन • एरिक वांजाऊ |
| 06 | उत्तर अमेरिकेतील भोपळ्यांचे दर 🎃 | Regression | मशीन लर्निंगसाठी डेटा व्हिज्युअलाइझ करा आणि स्वच्छ करा | Python • R | जेन • एरिक वांजाऊ |
| 07 | उत्तर अमेरिकेतील भोपळ्यांचे दर 🎃 | Regression | रेषीय आणि बहुपद रिग्रेशन मॉडेल तयार करा | Python • R | जेन आणि दिमित्री • एरिक वांजाऊ |
| 08 | उत्तर अमेरिकेतील भोपळ्यांचे दर 🎃 | Regression | लॉजिस्टिक रिग्रेशन मॉडेल तयार करा | Python • R | जेन • एरिक वांजाऊ |
| 09 | वेब अॅप 🔌 | Web App | तुमच्या प्रशिक्षित मॉडेलसाठी वेब अॅप तयार करा | Python | जेन |
| 10 | वर्गीकरणाची ओळख | Classification | तुमचा डेटा स्वच्छ करा, तयार करा आणि व्हिज्युअलाइझ करा; वर्गीकरणाची ओळख | Python • R | जेन आणि कॅसी • एरिक वांजाऊ |
| 11 | स्वादिष्ट आशियाई आणि भारतीय जेवण 🍜 | Classification | वर्गीकरणकर्त्यांची ओळख | Python • R | जेन आणि कॅसी • एरिक वांजाऊ |
| 12 | स्वादिष्ट आशियाई आणि भारतीय जेवण 🍜 | Classification | अधिक वर्गीकरणकर्ते | Python • R | जेन आणि कॅसी • एरिक वांजाऊ |
| 13 | स्वादिष्ट आशियाई आणि भारतीय जेवण 🍜 | Classification | तुमच्या मॉडेलचा वापर करून शिफारस करणारा वेब अॅप तयार करा | Python | जेन |
| 14 | क्लस्टरिंगची ओळख | Clustering | तुमचा डेटा स्वच्छ करा, तयार करा आणि व्हिज्युअलाइझ करा; क्लस्टरिंगची ओळख | Python • R | जेन • एरिक वांजाऊ |
| 15 | नायजेरियन संगीत आवड शोधणे 🎧 | Clustering | K-Means क्लस्टरिंग पद्धत एक्सप्लोर करा | Python • R | जेन • एरिक वांजाऊ |
| 16 | नैसर्गिक भाषा प्रक्रिया परिचय ☕️ | Natural language processing | एक सोपा बॉट तयार करून NLP च्या मूलभूत गोष्टी शिका | Python | स्टीफन |
| 17 | सामान्य NLP कार्ये ☕️ | Natural language processing | भाषा संरचनांशी संबंधित सामान्य कार्ये समजून NLP ज्ञान वाढवा | Python | स्टीफन |
| 18 | भाषांतर आणि भावना विश्लेषण ♥️ | Natural language processing | जेन ऑस्टिनसह भाषांतर आणि भावना विश्लेषण | Python | स्टीफन |
| 19 | युरोपमधील रोमँटिक हॉटेल्स ♥️ | Natural language processing | हॉटेल पुनरावलोकनांसह भावना विश्लेषण 1 | Python | स्टीफन |
| 20 | युरोपमधील रोमँटिक हॉटेल्स ♥️ | Natural language processing | हॉटेल पुनरावलोकनांसह भावना विश्लेषण 2 | Python | स्टीफन |
| 21 | टाइम सिरीज फोरकास्टिंगची ओळख | Time series | टाइम सिरीज फोरकास्टिंगची ओळख | Python | फ्रान्सेस्का |
| 22 | ⚡️ जागतिक वीज वापर ⚡️ - ARIMA सह टाइम सिरीज फोरकास्टिंग | Time series | ARIMA सह टाइम सिरीज फोरकास्टिंग | Python | फ्रान्सेस्का |
| 23 | ⚡️ जागतिक वीज वापर ⚡️ - SVR सह टाइम सिरीज फोरकास्टिंग | Time series | सपोर्ट व्हेक्टर रिग्रेशनर सह टाइम सिरीज फोरकास्टिंग | Python | अनिर्बान |
| 24 | रिइन्फोर्समेंट लर्निंगची ओळख | Reinforcement learning | Q-लर्निंगसह रिइन्फोर्समेंट लर्निंगची ओळख | Python | दिमित्री |
| 25 | पीटरला लांडग्यापासून वाचवा! 🐺 | Reinforcement learning | रिइन्फोर्समेंट लर्निंग जिम | Python | दिमित्री |
| Postscript | वास्तविक जगातील ML परिस्थिती आणि अनुप्रयोग | ML in the Wild | पारंपरिक ML चे मनोरंजक आणि उघड करणारे वास्तविक जगातील अनुप्रयोग | Lesson | टीम |
| Postscript | RAI डॅशबोर्ड वापरून ML मध्ये मॉडेल डीबगिंग | ML in the Wild | जबाबदार AI डॅशबोर्ड घटक वापरून मशीन लर्निंगमध्ये मॉडेल डीबगिंग | Lesson | रुथ याकुबू |
या कोर्ससाठी सर्व अतिरिक्त संसाधने आमच्या Microsoft Learn संग्रहात शोधा
ऑफलाइन प्रवेश
तुम्ही Docsify वापरून ही दस्तऐवज ऑफलाइन चालवू शकता. हा रेपो फोर्क करा, तुमच्या स्थानिक मशीनवर Docsify इंस्टॉल करा, आणि नंतर या रेपोच्या मूळ फोल्डरमध्ये docsify serve टाइप करा. वेबसाइट तुमच्या लोकलहोस्टवर पोर्ट 3000 वर चालेल: localhost:3000.
अभ्यासक्रमाचा PDF लिंकसह येथे शोधा.
🎒 इतर कोर्सेस
आमची टीम इतर कोर्सेस तयार करते! तपासा:
LangChain
Azure / Edge / MCP / Agents
Generative AI Series
-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA){kind=icon}
-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC){kind=icon}
-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9){kind=icon}
मुख्य शिक्षण
कॉपायलट मालिका
मदत मिळवा
जर तुम्हाला अडचण येत असेल किंवा AI अॅप्स तयार करण्याबाबत काही प्रश्न असतील तर. MCP बद्दल चर्चा करण्यासाठी सहकारी शिकणारे आणि अनुभवी विकसकांमध्ये सामील व्हा. ही एक सहायक समुदाय आहे जिथे प्रश्न विचारले जातात आणि ज्ञान मोकळेपणाने सामायिक केले जाते.
जर तुम्हाला उत्पादनाबाबत अभिप्राय किंवा त्रुटी आढळल्या तर भेट द्या:
अस्वीकरण: हा दस्तऐवज AI अनुवाद सेवा Co-op Translator वापरून अनुवादित केला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित अनुवादांमध्ये चुका किंवा अचूकतेची कमतरता असू शकते. मूळ दस्तऐवज त्याच्या स्थानिक भाषेत अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी अनुवाद शिफारसीय आहे. या अनुवादाच्या वापरामुळे उद्भवणाऱ्या कोणत्याही गैरसमजुती किंवा चुकीच्या अर्थलागी आम्ही जबाबदार नाही.